CN111667151B - 一种电力市场风险全景识别方法及系统 - Google Patents
一种电力市场风险全景识别方法及系统 Download PDFInfo
- Publication number
- CN111667151B CN111667151B CN202010418934.2A CN202010418934A CN111667151B CN 111667151 B CN111667151 B CN 111667151B CN 202010418934 A CN202010418934 A CN 202010418934A CN 111667151 B CN111667151 B CN 111667151B
- Authority
- CN
- China
- Prior art keywords
- correlation matrix
- risk
- basic
- result
- events
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000011159 matrix material Substances 0.000 claims abstract description 111
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 8
- 230000005611 electricity Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力技术领域，公开了一种电力市场风险全景识别方法及系统，电力市场风险全景识别方法包括：获取电力系统及电力市场中的多个基本事件；根据基本事件构建相关性矩阵；其中，相关性矩阵用于指示基本事件与风险结果之间的相关性；根据相关性矩阵的解析结果和实际结果，对相关性矩阵进行修正；应用修正后的相关性矩阵监测电力市场的风险。本发明考虑了不同基本事件与风险结果间的相互联系，有效地识别出电力市场间的内在联系，从而确保能够全面地发现和分析潜在风险，即确保能够分析风险与风险间的关联性、风险的传递性、风险的发展趋势、以及风险的全部潜在影响，进而保证了电力系统及电力市场的安全性。
Description
技术领域
本发明涉及电力技术领域，特别是涉及一种电力市场风险全景识别方法及系统。
背景技术
据普遍观点，风险管理的概念最早在1931年由美国管理协会保险部最先倡导，而后，风险管理作为专门的理论被应用于各行各业。其中，国外电力市场已有的风险管理主要包括辨识和控制两个方面，在辨识方面的许多方法已被业内学者引进国内，主要包括参考金融行业的VaR(Value at Risk，风险价值)、CVaR(conditional value at risk，条件风险价值)、应用优化的评估方法、人工智能、机器学习等方法。
VaR方法是衡量在某一置信度情况下，某一资产组合的价值在某一特定持有时间内的最大损失，而CVaR方法通过对超过VaR所分析的置信度的情况分段求期望，来衡量超过置信度后的损失情况，一般来说，由于实际情况中经常出现某一投资收益不符合正太分布的情形，因此CVaR被用来揭示更多的潜在风险可能。使用优化的评估方法主要是通过优化的思想，在一定约束和不同的惩罚值情况下求解最优解的方法，将一定的收益作为目标函数，通过混合整数规划的思想解释不同风险对于电力市场不同主体运行的影响。人工智能、机器学习的方法则主要是通过对历史数据的观察、训练模型对未来可能出现的状态做相应反应，从概率和后果的程度解释潜在风险点和风险影响。
本发明人在实施本发明的过程中，发现现有技术至少存在以下技术问题：对于上述的各类电力市场分析方法均能够较为有效的辨识电力市场的一些风险，但通常仅针对的是一种或一类问题，而电力市场通常是一个整体，既有能量市场，又会有辅助服务、输电权、容量市场等，同时既可能包括上述各类型市场的中长期市场，也可能包含现货市场等。某一事件的出现可能对某一市场下的某种交易视为风险，但可能确是另一种市场某种交易的对冲。同样的，在某一类型市场出现的某种交易下的某种风险，还可能类似出现蝴蝶效应，引发其他市场的风险或波动，但以上所述的研究或方法均不能有效的识别电力市场间的内在联系，因此无法分析风险与风险间的关联性、风险的传递性、风险的发展趋势、以及风险的全部潜在影响。
发明内容
本发明的目的是提供一种电力市场风险全景识别方法及系统，能够有效地识别出电力市场间的内在联系，以全面地发现和分析潜在风险，从而保证了电力系统及电力市场的安全性。
为了解决上述技术问题，本发明提供一种电力市场风险全景识别方法，包括：
获取电力系统及电力市场中的多个基本事件；
根据所述基本事件构建相关性矩阵；其中，所述相关性矩阵用于指示基本事件与风险结果之间的相关性；
根据所述相关性矩阵的解析结果和实际结果，对所述相关性矩阵进行修正；
应用修正后的相关性矩阵监测电力市场的风险。
作为优选方案，所述根据所述基本事件构建相关性矩阵，具体包括：
对多个所述基本事件进行聚类；
根据聚类后的基本事件构建相关性矩阵。
作为优选方案，所述对多个所述基本事件进行聚类，具体包括：
根据所述基本事件，通过以下公式计算每一所述基本事件到相应的风险结果的距离：
ψm,n＝f(αi,j)
其中，αi,j为第i个参与者相关的第j个基本事件；ψm,n为基本事件αi,j到第m个个体的第n种风险结果的距离；
根据每一所述基本事件到相应的风险结果的距离，对所述基本事件进行分类。
作为优选方案，所述根据聚类后的基本事件构建相关性矩阵，具体包括：
根据聚类后的基本事件，通过以下公式构建相关性矩阵：
其中，R为所述相关性矩阵，ρij为第i类基本事件与第j种风险结果之间的相关系数；Xi为第i类基本事件；Xj为第j种风险结果；D为方差。
作为优选方案，所述根据所述相关性矩阵的解析结果和实际结果，对所述相关性矩阵进行修正，具体包括：
对所述相关性矩阵进行解析，获得所述相关性矩阵中的每一元素值；
当任一所述元素值大于预设的数值阈值时，根据该元素值对应的基本事件和预设的第一函数计算获得该基本事件对应的风险结果；其中，所述第一函数为事件-结果函数，用于指示基本事件对应的风险结果；
当所述基本事件对应的风险结果与实际结果之间的偏差大于预设的偏差阈值时，调用预设的修正函数对所述相关性矩阵中的该元素进行修正，获得修正后的相关性矩阵。
作为优选方案，所述方法还包括：
对所述修正后的相关性矩阵进行解析，获得所述修正后的相关性矩阵中的每一元素值；
当任一所述元素值大于预设的数值阈值时，根据该元素值对应的基本事件和预设的第一函数计算获得该基本事件对应的风险结果；
当所述基本事件对应的风险结果与预设的实际结果之间的偏差仍大于预设的偏差阈值时，调用预设的聚类修正函数对聚类进行修正，并重新构建相关性矩阵。
作为优选方案，在所述对多个所述基本事件进行聚类之前，所述方法还包括：
通过预设的排队程序对获取的多个所述基本事件进行排序，以基于所述基本事件的排序对多个所述基本事件进行聚类。
作为优选方案，所述方法还包括：
通过所述排队程序生成场景集，并基于所述场景集，采用电力市场模拟软件进行模拟，获得模拟结果；
采用预设的采信图谱，确定采信所述相关性矩阵的解析结果或所述模拟结果。
为了解决相同的技术问题，相应地，本发明实施例还提供一种电力市场风险全景识别系统，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述的电力市场风险全景识别方法。
与现有技术相比，本发明提供一种电力市场风险全景识别方法及系统，通过获取的多个所述基本事件构建相关性矩阵，并根据所述相关性矩阵的解析结果和实际结果，对所述相关性矩阵进行修正，最后应用所述修正后的相关性矩阵监测电力市场的风险；本发明考虑了不同基本事件与风险结果间的相互联系，有效地识别出电力市场间的内在联系，从而确保能够全面地发现和分析潜在风险，即确保能够分析风险与风险间的关联性、风险的传递性、风险的发展趋势、以及风险的全部潜在影响，进而保证了电力系统及电力市场的安全性。
附图说明
图1是本发明实施例提供的电力市场风险全景识别方法的流程示意图；
图2是本发明实施例提供的获取基本事件进行排序的示意图；
图3是本发明实施例提供的结合电力市场模拟进行修正的示意图；
图4是本发明实施例提供的电力市场风险全景识别系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，是本发明实施例提供的电力市场风险全景识别方法的流程示意图。
在本发明实施例中，所述电力市场风险全景识别方法，包括以下步骤S11-S14：
S11、获取电力系统及电力市场中的多个基本事件。
需要说明的是，所述基本事件的获取分为自动感知式和人工给定式两类；其中，自动感知式的部署方法为通过传输线接入电网能量管理系统、运行管理系统、出清系统、交易系统等既有电力市场、电力系统技术支持平台，用于获取产品原料类(来水、来煤、来风、来光、输电设备、配电设备到货情况)数据，气候条件类(温湿度、水文预测、台风、地震、山体滑坡、泥石流、海啸信息)数据，发电计划、省间交易计划、水库蓄能计划、检修安排、投产安排、调度操作、违约历史、合同执行情况、报价情况、市场力测算情况等数据。对于其他事件、主体行为和风险传递数据，则可以通过人工方式给定。对于每一个自动导入或人为添加的事件或动作，并定义为αi,j(i,j∈1,∞)。其中i，j的取值范围可以根据不同用户部署地区的不同进行适应性的选择，i，j分别代表第i个参与者相关的第j个事件，而后的数据聚类和相关性矩阵的构建可以参考该取值确定边界。
当然，这里仅仅是获取电力系统及电力市场中的多个基本事件的一种具体实现方式，本发明实施例对获取电力系统及电力市场中的多个基本事件的具体方式不做限定，本领域内的技术人员还可以根据实际应用中的具体情况采用其他方式获取电力系统及电力市场中的多个基本事件。
S12、根据所述基本事件构建相关性矩阵；其中，所述相关性矩阵用于指示基本事件与风险结果之间的相关性。
S13、根据所述相关性矩阵的解析结果和实际结果，对所述相关性矩阵进行修正。
S14、应用修正后的相关性矩阵监测电力市场的风险。
可以理解的，在获得所述修正后的相关性矩阵后，当获取到所述电力系统或所述电力市场的当前基本事件时，可基于所述修正后的相关性矩阵计算得到与所述当前基本事件对应的风险结果，从而实现监测所述电力市场存在的风险。
在本发明实施例中，通过获取的多个所述基本事件构建相关性矩阵，并根据所述相关性矩阵的解析结果和实际结果，对所述相关性矩阵进行修正，最后应用所述修正后的相关性矩阵监测电力市场的风险；本发明考虑了不同基本事件与风险结果间的相互联系，有效地识别出电力市场间的内在联系，从而确保能够全面地发现和分析潜在风险，即确保能够分析风险与风险间的关联性、风险的传递性、风险的发展趋势、以及风险的全部潜在影响，进而保证了电力系统及电力市场的安全性。
在一种优选实施方式中，在步骤S12中，所述根据所述基本事件构建相关性矩阵，具体包括以下步骤S121-S122：
S121、对多个所述基本事件进行聚类；
S122、根据聚类后的基本事件构建相关性矩阵。
进一步地，在步骤S121中，所述对多个所述基本事件进行聚类，具体包括以下步骤S1211-S1212：
S1211、根据所述基本事件，通过以下公式计算每一所述基本事件到相应的风险结果的距离：
ψm,n＝f(αi,j) (1)
其中，αi,j为第i个参与者相关的第j个基本事件；ψm,n为基本事件αi,j到第m个个体的第n种风险结果的距离；
S1212、根据每一所述基本事件到相应的风险结果的距离，对所述基本事件进行分类。
可以理解的，获取所述基本事件后，在对所述基本事件进行聚类的过程，将根据经验法给定初始值并不断训练优化，本步骤的过程是通过一定的基于层次的聚类方法，首先根据经验将电力市场、电力系统可能出现的安全风险、营收风险、指标风险筛选并给定对应的定义ψm,n(m,n∈1,∞)，同样的，m,n的取值可以根据用户所在电网的不同自行设计，且可以不与αi,j(i,j∈1,∞)的数量保持一致。相应的，聚类的过程可以描述为，采用DIANA(Divisive Analysis，层次聚类)方法，先假定所有的αi,j(i,j∈1,∞)造成的结果都属于一个簇，然后进一步的将簇细分为安全类、营收类、指标类三种，进一步的，在每一类簇下再逐层细分，直到所有的事件都分到对应的簇或达到用户定义的截至条件。层数可以由用户根据需要进行定义，例如可以定义营收类下细分电网营收风险、电厂营收风险、售电商营收风险等，进一步的，售电商营收风险又可以分为大型售电商营收风险、发售一体售电商营收风险、中小型售电商营收风险等。再举例说明本操作的具体方法，根据用户选定区域的不同，每一个基本事件到对应的风险结果之间存在不同的函数关系，即满足例如明天下雨xmm对于某地区某500kV节点(m＝10)的价格(n＝5)的影响为ψ10,5＝f(α10,2)＝ηx+θc，其中，η，θ为系数，c为常数；同时对于某地区某一电厂的营收影响也可以写成一个类似的函数，将x的取值带入计算后可以算的事件α10,2到每一个ψm,n(m,n∈1,∞)的距离，从而进行聚类分层等操作。层数选取越多，下一步构造的相关性矩阵就会越复杂。同时，若采用AGNES(Agglomerative Nesting，聚合型层次聚类)这种由散至整的聚类方法，同样应该在本发明的保护范围之内。
需要说明的是，这里仅仅是对多个所述基本事件进行聚类的一种具体实现方式，本发明实施例对对多个所述基本事件进行聚类的具体方式不做限定，本领域内的技术人员还可以根据实际应用中的具体情况采用其他方式对多个所述基本事件进行聚类。
进一步地，在步骤S122中，所述根据聚类后的基本事件构建相关性矩阵，具体包括：
根据聚类后的基本事件，通过以下公式构建相关性矩阵：
其中，R为所述相关性矩阵，ρij为第i类基本事件与第j种风险结果之间的相关系数；Xi为第i类基本事件；Xj为第j种风险结果；cov(Xi,Xj)为Xi与Xj之间的协方差；D为方差；E(Xi)为Xi的期望；E(Xj)为Xj的期望。
需要说明的是，本实施例对多个所述基本事件进行聚类的作用是为了简化所述相关性矩阵。在另一优选实施方式中，在实施步骤S12时，还可根据所述基本事件，直接构造所述基本事件αi,j(i,j∈1,∞)到结果ψm,n(m,n∈1,∞)的相关性矩阵。举例说明，例如不论明天下雨下雪还是晴空，对于某地区某条线路的负载程度的影响就可以合并构造一个相关性矩阵，如此一来在解析所述相关性矩阵时，当所述相关性矩阵中该元素不满足某一阈值时，可以认定对于结果的影响较小，不用计算结果，进而进一步的简化风险分析的计算，提高计算效率。
在本发明实施例中，通过采用聚类的方法减弱数据规模，且允许用户自定义聚类层数以在效率和质量间做出选择，更符合工业用途。而后又通过所述相关性矩阵统一揭示事件可能造成的所有风险后果，并通过设定阈值减小矩阵规模，进一步提升了运算效率；同时，由于揭示了事件对全部后果的影响因数，因此还方便据此制定反制措施。
在一种优选实施方式中，在步骤S13中，所述根据所述相关性矩阵的解析结果和实际结果，对所述相关性矩阵进行修正，具体包括以下步骤S131-S133：
S131、对所述相关性矩阵进行解析，获得所述相关性矩阵中的每一元素值；
S132、当任一所述元素值大于预设的数值阈值时，根据该元素值对应的基本事件和预设的第一函数计算获得该基本事件对应的风险结果；其中，所述第一函数用于指示基本事件对应的风险结果；
S133、当所述基本事件对应的风险结果与实际结果之间的偏差大于预设的偏差阈值时，调用预设的修正函数对所述相关性矩阵中的该元素进行修正，获得修正后的相关性矩阵。
可以理解的，对所述相关性矩阵进行解析后，可得到计算结果，所述计算结果应当也是矩阵形式；当所述相关性矩阵中的一元素值为零时，则表示该类事件对于某类结果的影响度没有超过阈值，因此认定无影响；当所述相关性矩阵中的某一元素存在一定的值，且大于预设的数值阈值时，那么则认定该元素对于某类结果存在影响，解析的过程再次带入预设的第一函数，直接求得对应的风险结果，即对应值或打分(如某节点电价的影响，直接出价格数据，如对阻塞的影响，直接出线路负载率数据，如对AA甲线的影响，调用专家库给出评价得分)。其中，所述第一函数即为事件-结果函数，用于指示基本事件对应的风险结果。获得的相应的结果可以与实际情况(若实际情况已经应用本发明提供的反制措施，则触发模拟系统进行一套不加措施的模拟，用以对比)进行对比，在不满足偏差阈值的情况下，首先触发预设的修正函数对所述相关性矩阵的该元素进行修正，获得修正后的相关性矩阵。
进一步地，本实施例的所述电力市场风险全景识别方法，还包括以下步骤S134-S136：
S134、对所述修正后的相关性矩阵进行解析，获得所述修正后的相关性矩阵中的每一元素值；
S135、当任一所述元素值大于预设的数值阈值时，根据该元素值对应的基本事件和预设的第一函数计算获得该基本事件对应的风险结果；
S136、当所述基本事件对应的风险结果与预设的实际结果之间的偏差仍大于预设的偏差阈值时，调用预设的聚类修正函数对聚类进行修正，并重新构建相关性矩阵。
可以理解的，在实施步骤S133获得所述修正后的相关性矩阵后，对所述修正后的相关性矩阵进行解析，若所述修正后的相关性矩阵中的任一元素值大于预设的数值阈值，且该元素值对应的基本事件对应的风险结果与预设的实际结果之间的偏差仍大于预设的偏差阈值时，即表明本次迭代仍不能解决，则触发预设的聚类修正函数对聚类进行修正，以再次对所述相关性矩阵进行修正。其中，所述修正函数为对原相关性函数和实际结果函数求积分并相减，继而根据所得面积和曲线拟合的新函数，通过这一函数对所述相关性矩阵进行修正。所述聚类修正函数则是对聚类参数的修正，通常来讲，是对距离判断阈值的修改。
在一种优选实施方式中，在实施步骤S121，对多个所述基本事件进行聚类之前，所述电力市场风险全景识别方法还包括以下步骤：
通过预设的排队程序对获取的多个所述基本事件进行排序，以基于所述基本事件的排序对多个所述基本事件进行聚类。
可以理解的，如图2所示，对于获取所述基本事件，本发明还提出基于三种来源的事件生成方法；首先，可以接入生产经营实际系统，一些基本事件可以从系统接口直接获取。同时，还可以预先配置一个数据库，所有的有记录的事件、用户自动导入的事件、人工智能生成的潜在事件、嗅探器发现的新增事件均存在内。所述数据库种也包含从接口直接导入的数据和事件，但若接口触发更新数据导入后，将会进行替换，并通过排队程序按一定的顺序排列输出进行聚类。这里需要说明的是，进行事件-风险计算时，有时需要考虑多种事件的综合影响，有时需要只考虑一个事件的影响，因此需要排队程序根据用户需要进行场景配置，并排队或并发进行运算。
在一种优选实施方式中，本实施例的所述电力市场风险全景识别方法还包括：
通过所述排队程序生成场景集，并基于所述场景集，采用电力市场模拟软件进行模拟，获得模拟结果；
采用预设的采信图谱，确定采信所述相关性矩阵的解析结果或所述模拟结果。
可以理解的，如图3所示，在解析到计算出结果之间，本发明还加入了电力市场模拟作为修正方法。所述相关性矩阵的解析根据相关性给出了事件-风险结果预测，但如一些来水偏枯对于电价的影响，还同时受负荷情况、设备检修情况等强电力系统相关的事件影响，采用所述相关性矩阵会由于历史检修与枯水相关性与当前不同，造成偏差，因此引入电力市场模拟仿真，在考虑所有事件情况下采用优化出清的算法进行优化求解，进而得出更为精确的结论。
所述排队程序可以根据用户选取的电力市场模拟软件需要的格式生成场景集，并指令所述电力市场模拟软件进行模拟；所述电力市场模拟软件可以是用户选择的，任意的电力市场模拟软件，本发明对此不作限制。所述采信图谱是根据专家经验，历史经验等生成的0，1判别矩阵，用以筛选就某一个事件-风险组合，采信所述相关性矩阵解析的结果还是所述电力市场优化模拟的结果。综合的，所述电力市场模拟进行风险评估无法评价一些社会事件等对于电力市场的影响，基于相关性的推算无法精确反应强相关事件(但根据不同安排相关性不同，例如检修，BB甲线检修在冬日、夏日对C节点的价格的相关性存在差异，同时还受DD线路是否检修的影响)的准确风险后果，因此采用两者结合的方法优势互补，解决这一矛盾。
在本发明实施例中，通过采用电力市场模拟与相关性分析相结合的方法，与现有技术中常用的仅通过风险分析方法的模式相比，更加能够适应电力系统，也更符合电力商品属性。同时通过系统接口，可以从生产调度运行经营等平台获取事件数据，极大减少了人工定义的工作量；而且，借用人工智能，专家库等方式，提高了方法系统平台的工作效率和减少了人力投入，更加经济高效。此外，本发明实施例的电力市场风险全景识别方法，没有首先主观限定风险的范围，如果存在相关性方法没有发现或记录的风险，可以被所述电力市场模拟方法与正常情况模拟结果的比较发现，因此相较于现有技术中采用单一方法进行风险分析的方法更为全面。
参见图4，本发明另一实施例对应提供的电力市场风险全景识别系统的结构示意图。
本发明实施例提供的所述电力市场风险全景识别系统100，包括处理器101、存储器102以及存储在所述存储器102中且被配置为由所述处理器101执行的计算机程序，所述处理器执行所述计算机程序时实现上述的电力市场风险全景识别方法。
在本发明实施例中，通过所述电力市场风险全景识别系统100，通过获取的多个所述基本事件构建相关性矩阵，并根据所述相关性矩阵的解析结果和实际结果，对所述相关性矩阵进行修正，最后应用所述修正后的相关性矩阵监测电力市场的风险；本发明考虑了不同基本事件与风险结果间的相互联系，有效地识别出电力市场间的内在联系，从而确保能够全面地发现和分析潜在风险，即确保能够分析风险与风险间的关联性、风险的传递性、风险的发展趋势、以及风险的全部潜在影响，进而保证了电力系统及电力市场的安全性。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器102中，并由所述处理器101执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电力市场风险全景识别系统100中的执行过程。
所称处理器101可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器102可用于存储所述计算机程序和/或模块，所述处理器101通过运行或执行存储在所述存储器102内的计算机程序和/或模块，以及调用存储在存储器102内的数据，实现所述电力市场风险全景识别系统100的各种功能。所述存储器102可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述电力市场风险全景识别系统100集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
综上，本发明提供一种电力市场风险全景识别方法及系统，所述电力市场风险全景识别方法包括：获取电力系统及电力市场中的多个基本事件；根据所述基本事件构建相关性矩阵；其中，所述相关性矩阵用于指示基本事件与风险结果之间的相关性；根据所述相关性矩阵的解析结果和实际结果，对所述相关性矩阵进行修正；应用修正后的相关性矩阵监测电力市场的风险。通过获取的多个所述基本事件聚类构建相关性矩阵，并根据所述相关性矩阵的解析结果和实际结果，对所述相关性矩阵进行修正，最后应用所述修正后的相关性矩阵监测电力市场的风险；本发明考虑了不同基本事件与风险结果间的相互联系，有效地识别出电力市场间的内在联系，从而确保能够全面地发现和分析潜在风险，即确保能够分析风险与风险间的关联性、风险的传递性、风险的发展趋势、以及风险的全部潜在影响，进而保证了电力系统及电力市场的安全性。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。
Claims (5)
1.一种电力市场风险全景识别方法，其特征在于，包括：
获取电力系统及电力市场中的多个基本事件；
根据所述基本事件构建相关性矩阵；其中，所述相关性矩阵用于指示基本事件与风险结果之间的相关性；
根据所述相关性矩阵的解析结果和实际结果，对所述相关性矩阵进行修正；
应用修正后的相关性矩阵监测电力市场的风险；
所述根据所述基本事件构建相关性矩阵，具体包括：对多个所述基本事件进行聚类；根据聚类后的基本事件构建相关性矩阵；
在所述对多个所述基本事件进行聚类之前，所述方法还包括：
通过预设的排队程序对获取的多个所述基本事件进行排序，以基于所述基本事件的排序对多个所述基本事件进行聚类；
所述方法还包括：
通过所述排队程序生成场景集，并基于所述场景集，采用电力市场模拟软件进行模拟，获得模拟结果；
采用预设的采信图谱，确定采信所述相关性矩阵的解析结果或所述模拟结果；
所述根据所述相关性矩阵的解析结果和实际结果，对所述相关性矩阵进行修正，具体包括：
对所述相关性矩阵进行解析，获得所述相关性矩阵中的每一元素值；
当任一所述元素值大于预设的数值阈值时，根据该元素值对应的基本事件和预设的第一函数计算获得该基本事件对应的风险结果；其中，所述第一函数用于指示基本事件对应的风险结果；
当所述基本事件对应的风险结果与实际结果之间的偏差大于预设的偏差阈值时，调用预设的修正函数对所述相关性矩阵中的该元素进行修正，获得修正后的相关性矩阵。
2.如权利要求1所述的电力市场风险全景识别方法，其特征在于，所述对多个所述基本事件进行聚类，具体包括：
根据所述基本事件，通过以下公式计算每一所述基本事件到相应的风险结果的距离：
ψm,n＝f(αt,k)
其中，αt,k为第t个参与者相关的第k个基本事件；ψm,n为基本事件αt,k到第m个个体的第n种风险结果的距离；
根据每一所述基本事件到相应的风险结果的距离，对所述基本事件进行分类。
3.如权利要求1所述的电力市场风险全景识别方法，其特征在于，所述根据聚类后的基本事件构建相关性矩阵，具体包括：
根据聚类后的基本事件，通过以下公式构建相关性矩阵：
其中，R为所述相关性矩阵，ρij为第i类基本事件与第j种风险结果之间的相关系数；Xi为第i类基本事件；Xj为第j种风险结果；D为方差。
4.如权利要求1所述的电力市场风险全景识别方法，其特征在于，所述方法还包括：
对所述修正后的相关性矩阵进行解析，获得所述修正后的相关性矩阵中的每一元素值；
当任一所述元素值大于预设的数值阈值时，根据该元素值对应的基本事件和预设的第一函数计算获得该基本事件对应的风险结果；
当所述基本事件对应的风险结果与预设的实际结果之间的偏差仍大于预设的偏差阈值时，调用预设的聚类修正函数对聚类进行修正，并重新构建相关性矩阵。
5.一种电力市场风险全景识别系统，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的电力市场风险全景识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010418934.2A CN111667151B (zh) | 2020-05-18 | 2020-05-18 | 一种电力市场风险全景识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010418934.2A CN111667151B (zh) | 2020-05-18 | 2020-05-18 | 一种电力市场风险全景识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111667151A CN111667151A (zh) | 2020-09-15 |
| CN111667151B true CN111667151B (zh) | 2024-03-29 |
Family
ID=72383768
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010418934.2A Active CN111667151B (zh) | 2020-05-18 | 2020-05-18 | 一种电力市场风险全景识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111667151B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780614A (zh) * | 2021-01-04 | 2021-12-10 | 北京沃东天骏信息技术有限公司 | 一种风险识别方法和装置 |
| CN114745407B (zh) * | 2022-04-28 | 2024-02-13 | 广东电网有限责任公司 | 电力物联网的安全态势感知方法、装置、设备及介质 |
| CN118467991B (zh) * | 2024-07-11 | 2024-09-20 | 国网山西省电力公司电力科学研究院 | 新能源电力系统关键环节辨识方法、系统、介质和设备 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109711663A (zh) * | 2018-11-15 | 2019-05-03 | 国网山东省电力公司淄博供电公司 | 基于大数据分析的变电站油浸式变压器状态评估与修正方法及系统 |
-
2020
- 2020-05-18 CN CN202010418934.2A patent/CN111667151B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109711663A (zh) * | 2018-11-15 | 2019-05-03 | 国网山东省电力公司淄博供电公司 | 基于大数据分析的变电站油浸式变压器状态评估与修正方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| Error Analysis of a Distributed Node Positioning Algorithm in Underwater Acoustic Sensor Networks;Yiwen Liu et al.;2018 10th International Conference on Wireless Communications and Signal Processing (WCSP);第1-6页 * |
| 刘敦楠等.基于结构方程的电力市场效率优化路径方法.电力系统自动化.2016,第40卷(第07期),第36-41、82页. * |
| 施羽展等.基于人工神经网络的电力市场输电阻塞预测模型.《电网技术》.2011,第35卷(第3期),第196-198页. * |
| 智能配电系统可靠性评价模型构建研究;王艳苹等;自动化应用(第04期);第116-118页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111667151A (zh) | 2020-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111667151B (zh) | 一种电力市场风险全景识别方法及系统 | |
| US11398000B2 (en) | Methods and systems for machine-learning for prediction of grid carbon emissions | |
| CN112766550B (zh) | 基于随机森林的停电敏感用户预测方法、系统、存储介质及计算机设备 | |
| US20200111174A1 (en) | Probabilistic Load Forecasting via Point Forecast Feature Integration | |
| CN112800053A (zh) | 数据模型的生成方法、调用方法、装置、设备及存储介质 | |
| CN113434575B (zh) | 基于数据仓库的数据归因处理方法、装置及存储介质 | |
| CN116205355B (zh) | 电力负荷的预测方法、装置以及存储介质 | |
| CN114493052A (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
| CN111986027A (zh) | 基于人工智能的异常交易处理方法、装置 | |
| CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
| CN114943565A (zh) | 基于智能算法的电力现货价格预测方法及装置 | |
| CN116340726A (zh) | 一种能源经济大数据清洗方法、系统、设备及存储介质 | |
| CN115186964A (zh) | 计及主观评估数据的配电网线路风险预测系统及方法 | |
| CN111178722B (zh) | 适用于销售线索评级和分配的机器学习系统、方法及介质 | |
| CN112767126A (zh) | 基于大数据的抵押物评级方法和装置 | |
| CN117291575A (zh) | 设备检修方法、装置、计算机设备和存储介质 | |
| CN116912016A (zh) | 一种账单稽核方法和装置 | |
| WO2023093031A1 (zh) | 容器组调控方法、装置及电子设备 | |
| CN115293809A (zh) | 基于人工智能的台风暴雨风险评级方法及相关设备 | |
| CN111062604B (zh) | 基于气象灾害的电网业务风险评估方法、装置及设备 | |
| CN113743994A (zh) | 一种供应商的旺季预测方法、系统、设备及存储介质 | |
| CN114443409A (zh) | 支付业务系统监控方法、装置和设备及计算机存储介质 | |
| CN113269380A (zh) | 一种面向疫情防控的返校方案预估方法 | |
| CN118278750B (zh) | 一种基于大数据技术的电网规划风险识别方法、装置、设备及存储介质 | |
| CN117057736A (zh) | 一种基于智能大脑的数字孪生城市管理平台 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |